多元线性模型中一个二次估计的非负最优性

考虑如下的多元线性模型 Y=X’_1BX_2+Us,(1)其中ε=(ε_((1)),ε_((2)),…,ε_((r)))’是r×p阶随机矩阵,满足 本文给出了trC∑~*是trC∑的一致最小方差非负二次无偏估计(UMVNQUE)的充要条件,其中∑~*是∑的在一定意义下的最小二乘估计(LSE),C是任一非负定阵。     

多元准正态线性模型中一个估计的非负最优性

Y=X_1BX′_2+U_ε是一个多元线性模型,其中X_1,X_2和U≠0是已知矩阵,B是未知参数阵,ε是随机矩阵。假设ε有如下的一阶、二阶、四阶矩 Eε=0,Eεε′=I(×)∑, Cov εε’=2(I(×)∑)(×)(I(×)∑)其中∑≥0是未知参数阵.设∑~*是∑的最小二乘估计,C≠0是已知的非负定阵,本文对UU’是幂等阵的情形给出了tr(C∑~*)是tr(C∑)的最优非负二次无偏估计的充要条件。     

多元线性模型中一个二次估计的最优性(Ⅱ)——多元许定理的推广

考虑如下的多元线性模型 Y=X_1BX’_2+Uε(1)其中ε=(ε_((1))…ε_((r)))’是r×p阶随机矩阵,满足X_1、X_2、U≠0是已知阵。B与∑≥0是未知参数阵。 本文给出了tr(C∑~*)是tr(C∑)的一致最小方差不变二次无偏估计(UMVIQUE)的充要条件。其中∑~*是∑的在一定意义下的最小二乘估计(LSE)。C是任一对称阵。     

由谱数据数值稳定地构造实对称带状矩阵

§1.引言 设r,n是正整数并且0r有a_(ij)=0.     

关于m个相关回归方程系统回归系数的两步估计

一、前言 考虑m个回归方程系统如下yi=Xiβi εi(i=1,2,…,m),(1)其中在第i(i=1,2,…,m)个方程中,yi是n×1的随机观察值向量,Xi是秩为pi的n×pi阶矩阵,βi是pi×1的未知参数向量,而εi是n×1的误差向量。 惯常的方法是假定误差向量ε_1,ε_2,…,ε_m是互相独立地服从正态分布,其均值是E(εi)=0,方(协)差矩阵是D(εi)=σ_i~2I_n(i=1,2,…,m),这里I_n表示n阶单位阵,σ_i~2是未知参数。在这样的假定下,估计回归系数βi只须单从第i个方程求得其最小     

更新序列对于有限Markov链的嵌入

§1 引言数列 f=f~(1),f~(2),…,f~(n),…}称为,一序列,如果f~(i)≥0(i≥1);sum from t=1 to ∞ f~(i)≤1 (1)由产生的更新序列 u-{u_0;u_1,u_2,…,u_n,…}依下式定义(2)更新序列与马氏链关系密切。设 X(n)是离散参数马氏链,其(一步)转移矩阵为P=(P_(ij))_(i,j∈E),(E 为可列集) (3)又记 n 步转移矩阵为 P~((n))=(P_(ij)~((n)))_(i,j∈E),则P~((0))=(单位矩阵),P~((1))=P,P~((n))=P~n (4)这时,对每个 i∈E,数列{P_(i)~((n))}_(n≥0)是更新序列,其所有产生的 f-序列为{f_i~((n))}+_(n≥1):     

方差分量组合的非负二次估计的可容许性

设有方差分量模型Y=X_β+U_(1ε1)+…+U_(NεN),其中XU_i已知,ε_1,…,ε_1相互独立。Eε_(if)=0,Eε_(if)~2=σ~2,Eε_(if)~3=0.Eε_(if)~4=3σ_i~4,这里(ε_(i1),…,ε_(in_i)εi。(β,σ~2)∈R~n×Ω为未知参数。Ω={(σ_1~2,…,σ_N~2):0≠sum from i=1 to n σ_i~2U_iU'_i≥0}。本文给出了Y'AY是sum from i=1 to n f_iσ_i~2在损失(Y'AY-sum from i=1 to N f_iσ_i~2)~2下在类{Y'BY:B≥0}中可容许估计的一个充分条件。同时也给出了Y'AY+l'Y+a是sum from i=1 to N f_iσ_i~2的可容许估计(在类{Y'BY+m'Y+b}中)的一个充要条件。研究了非负二次估计与局部最优估计之间的关系。     

线性模型中回归系数的最小二乘估计的强相合性

本文研究了线性模型:Y_4=x_i~′β e_i=1,2,…中回归系数β=(β_1,…,β_p)′的最小二乘估计的强相合性,这里 x_i~′=(x_i1,…,x_(ip))为已给的 p 维向量.记 x_n=(x_1,…,x_n)′,S_n~(-1)=(x_n~′x_n)~(-1)=(h_(nij),G(n)=diag(G_1(n),…,G_p(n))=diag(h_(n11)~(-1),…,h_(npp)~(-1)),那末在把文献[1]定理3中的条件1°换以:存在常数0<α   

再论线性模型中误差方差的二次型估计的可容许性

设有线性模型Y=(y_1,…,y_n)′=Xβ ε=X(β_1,…,β_p)′ (ε_1,…,ε_n)′,(1.1)这里 X 为已知的,n×p 矩阵,n≥p,ε_1,…,ε_n 相互独立,E(ε_i)=0,E(ε_i~2)=σ~2,E(ε_i~3)=0,E(ε_i~4)=3σ~4,i=1,…,n.β∈R~p,0<σ~2<∞均为未知参数.欲估计σ~2,     

解非线性方程组的一类算法

§1.引言 求解线性方程组 a_i~Tx=b_i,i=1,2,…,n,(1.1)其中a_1,a_2,…,a_n线性无关. 设y~((1))为初值,U~((1))为任意非奇异n阶矩阵,我们用如下方法求解方程组(1.1). 先考虑前k-1个方程组成的亚定方程组 a_i~Tx=b_i,i=1,2,…,k-1.设{U~((k))}={a_1,a_2,…,a_(k-1)},这里{U~((k))}表示由U~((k))的列组成的子空间.显然,rank(U~((k)))=n-b+1.若y~((k))是相应的亚定方程的一个特解,则将其看作方程组     

非线性约束极值问题的改进单纯形法

设有问题 minf(x) x∈k~n §1 Nelder、Mead的单纯形法设x~((0)),x~((1)),……,x~((n))为k~n中的点,由这些点作顶点形成初始单纯形。定义: f[x~((H))]=max{f[x~((i))],i=0,1,2……n}、x~((H))称为最高点; f[x~((L))]=min{f[x~((i)),i=0,1,2……n},x~((l))称为最低点; f[x~((G))]=max{f[x~((i))],i=0,1,2……n,i≠H),x~((G))称为次高点。     

线性模型中回归系数的最小二乘估计的强相合性

本文研究了线性模型:Y_i=x′_iβ+e_i,i=1,2,…中回归系数β=(β_1,…,β_p)′的最小二乘估计的强相合性,这里x′_i=(x_(il),…,x_(ip))为已给的p维向量,记x_n=(x_1,…,x_n)′,S_n~(-1)=(x′_nx_n)~(-1)=(h_(nij)),G(n)=diag(G_1(n),…,G_p(n))=diag(h_(n11)~(-1),…,h_(npp)~(-1)),那末在把文献[1]定理3中的条件1°换以:存在常数0相似文献   

Lotka—Volterra捕食被捕食环型系统的稳定性

考虑如下n维Lotka-Volterra系统其中x~*=(x_1~*,x_2~*,…,x_n~*)为系统(Ⅰ)的唯一正平衡点,A=(a_(ij))_(n×n)为系统(Ⅰ)的关系矩阵对于系统(Ⅰ),文[1]、[2]分别独立地给出了定理1 对于系统(Ⅰ)的关系矩阵A,若存在正对角阵C=diag(c_1,c_2,…,c_n)使得矩阵CA+A′C负定,则正平衡点x~*全局稳定。对应于定理1,又有关于矩阵A的定义2 n阶矩阵A称为Volterra-Liapunov稳定,如果存在n阶正对角矩阵C=     

一种稳定性问题中临界点的计算

符号.C~(n×n)表示复数域上n×n阶矩阵的集合,C表示复数全体,R表示实数全体.上标T和H分别表示转置和共轭转置.Reλ、Imλ分别表示复数λ的实部和虚部.I~((n))是n阶单位阵,e_j~((n))为其第j列,I_j~((m))=(e_1~((n)),…,e_j~((n)))∈C~(n×j).在n容易推知的前提下,上标(n)将不标出.     

多元多项式指数和的可除性(英文)

对任意正整数m,n,r,定义S_(n,m)~((r))=Σ_(k_1+K_2+…+k_m=n)(_(k_1,k_2,…,k_m)~n)~r,并定义T_(n,m)~((r))=Σ_(k_1+K_2+…+k_m=n)(-1)~(k_1)(_(k_1,k_2,…,k_m)~n)~r.对S_(n,m)~((r))和T_(n,m)~((r))获得了若干可除性性质.     

广义严格对角占优阵的判定程序

1 引言和符号 在本文中,均采用下列符号而不再重申.恒用N表示前n个自然数的集合;而用Mn(C)和Mn(R)分别表示所有n阶复矩阵和所有n阶实矩阵的集合. Z_N={A|A=(a_(ij))_(n×n)∈Mn(R),a_(ij)≤0,i,j∈N,i≠j},I恒表示单位矩阵. 如果A∈Mn(R)且A的所有元素都为非负实数,则称A为非负方阵,并记为A≥0;若A的所有元素都为正数,则称A为正矩阵,并记为A>0. 对A=(a_(ij))(n×n)∈Mn(C),令A_i(A)=sum from j=1 j≠i to n (|a_(ij)|(i=1、2…… n)) ;若把A的非零元用1代替 而得到—个n阶(0,1)矩阵。称为A的导出矩阵。记为;而把A的比较矩阵记为 u(A)=(b_(ij))_(n×n))其中b_(ij)=|a_(ij)|,b_(ij)=-|a_(ij)|(i,j∈N i≠j)     

代数特征值反问题之解的稳定性分析

考虑如下代数特征值反问题: 问题 G(A;{A_k}_1~n;λ).设 A=(a_(ij)),A_k=(a_(ij)~((k))),k=1,…,n是n+1个n×n的实对称矩阵,λ=(λ_1,…,λ_n)是n维实向量且λ_i≠λ_j,i≠j.求n维实向量c=(c_1,…,c_n)~T,使矩阵A(c)=A+sum from k=1 to n (c_kA_k)的特征值是λ_1,…,λ_n. 这一问题是经典加法问题的推广.当A_k-e_ke_k~~T(e_k是n阶单位阵的第k列)时,     

布尔矩阵广义逆的若干判定定理

本文所论的矩阵均指 n 阶布尔方阵。A=(a_(ij)),B=(b_(ij)),若 a_(ij)≤b_(ij),i,j=1,2,…,n,则称 A≤B.对 A=(a_(ij)),若存在矩阵 G,使 AGA=A,称 G 是 A 的广义逆(g 逆),又令(?)称矩阵 A_0=(g_(ij))为 A 的相伴阵。A_0的转置阵为 A_0~T=(g_(ij)~T).     

方差分量的非负定无偏MINQE估计

§1 引言对于线性模型Y=Xβ+ε(1.1)其中 Eε=0,Eεε′=θ_1V_1+…+θ_pV_pV_θ≥0,V_1,…,V_p 皆为已知对称矩阵,θ=(θ_1,…,θ_p)′为未知参数称为方差分量;此外,X 是已知矩阵,β为未知参数,在很多场合如随机效应模型,各个方差分量都是非负的,因此很自然地要求相应的估计量也是非负的,为此,C.R.Rao 提出用非负定无偏的 MINQE 估计(记为 MINQE(U,NND)来作为方差分量的估计,并两次指     

方差分量的 Bayes 二次不变估计及容许性

设计线性模型nn1/Y=XB ε（1）其中 E_ε=0,Eεε′=θ_1v_1 … θ_p v_P(?)v_0≥0,v_1,…,v_p 为已知对称矩阵,X 为已知矩阵,β、θ(?)(θ_1,…,θ_p)′为未知参数,进一步我们假定ε有有限四阶矩,记为 E(εε′(?)εε′)=ψ.设f′θ(?)f_1θ_1 … f_pθ_p,并且 f′θ是无偏不变二次可估的(即存在对称矩阵 A 满足AX=0使 EY′AY=f′θ).对这样的f′θ,C.R.Rao 提出用 MINQE(U,I)来估计 f′θ.但是一般地 f′θ的 MINQE(U,I)依赖于θ的先验值α.如果θ的真值与它的先验值不符,